Teoría Econométrica I

TEMA:

Conceptos Preliminares 2: Probabilidades1

Miguel Ataurima Arellano1

[Link]@[Link]
mataurimaa@[Link]
mataurima@[Link]

1 BANCO DE DESARROLLO DE AMÉRICA LATINA

1
Notas de clase basadas en Greene (2017), Wooldridge (2016), Gujarati y Porter (2010)
Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

Índice
1. Teoría de Probabilidades y Distribución 4
1.1. Variables Aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1. Distribuciones de Probabilidad . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.2. Función de Distribución Acumulada . . . . . . . . . . . . . . . . . . . . 8
1.2. Esperanza de una variable aleatoria . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.1. Una útil aproximación entre la esperanza y la varianza . . . . . . . . . . 14
1.3. Algunas Distribuciones de Probabilidad Específicas . . . . . . . . . . . . . . . . 17
1.3.1. La Distribución Normal . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.3.2. La Distribución Normal Estándar . . . . . . . . . . . . . . . . . . . . . 19
1.3.3. La Distribución t . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.3.4. La Distribución Chi-Cuadrada, χ2 . . . . . . . . . . . . . . . . . . . . . 21
1.3.5. La Distribución F . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.6. Variables aleatorias discretas . . . . . . . . . . . . . . . . . . . . . . . . 25
1.4. Distribuciones conjuntas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.4.1. Distribuciones marginales . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.4.2. Esperanza en un distribución conjunta . . . . . . . . . . . . . . . . . . 29
1.4.3. Covarianza y correlación . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.5. Condicionamiento en una distribución bivariada . . . . . . . . . . . . . . . . . . 32
1.5.1. Regresión: La media condicionda . . . . . . . . . . . . . . . . . . . . . 33
1.5.2. La varianza condicionada . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.5.3. Relaciones entre los momentos marginales y condicionados . . . . . . . . 35
1.6. Distribución Normal Multivariada . . . . . . . . . . . . . . . . . . . . . . . . . 37

Miguel Ataurima Arellano 2 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

Referencias 39

Miguel Ataurima Arellano 3 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

1. Teoría de Probabilidades y Distribución

1.1. Variables Aleatorias
Consideramos que nuestra observación sobre algún aspecto de la economía es el resultado
o la realización de un proceso aleatorio que casi nunca está bajo nuestro control.
Este mecanismo subyacente es conocido en la literatura actual como el proceso generador
de datos (DGP).

A los resultados observados (medidos) del proceso se les asignan valores numéricos
únicos.

• La asignación es uno a uno; cada resultado obtiene un valor, y no hay dos resultados
distintos que reciban el mismo valor.
• Esta variable resultante, X, es una variable aleatoria porque, hasta que los datos
se observan, no se sabe qué valor tomará X.

Las probabilidades están asociadas con los resultados para cuantificar la incertidumbre.
Usualmente usamos letras mayúsculas para el nombre de una variable aleatoria y letras
minúsculas para los valores que toma. Por lo tanto, la probabilidad de que X tome un valor
particular x se puede denotar
Pr [X = x]

Miguel Ataurima Arellano 4 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

Según los tipos de datos que se observan en la práctica, definimos a una variable aleatoria
como

• Discreta si el conjunto de resultados es finito en número o contable infinito.

• Continua si el conjunto de resultados es infinitamente divisible y, por lo tanto, no es
contable.

Los conteos de ocurrencias proporcionarán observaciones sobre variables aleatorias discretas,

mientras que las mediciones como el tiempo o los ingresos proporcionarán observaciones
sobre variables aleatorias continuas.

Miguel Ataurima Arellano 5 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

1.1.1. Distribuciones de Probabilidad

Una lista de los valores x tomados por una v.a. X y sus probabilidades asociadas es una
distribución de probabilidad, f (x).

Variabe aleatoria discreta

Para una v.a. discreta la probabilidad 0.5

asociada a un punto en particular es 0.45
0.4
f (x) = Pr [X = x] 0.35
0.3
Los axiomas de la probabilidad requie- 0.25
ren que: 0.2
0.15
1. 0 ≤ Pr [X = x] ≤ 1 0.1
P 0.05
2. x f (x) = 1 0
10 15 20 25 30
.

Miguel Ataurima Arellano 6 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

Variabe aleatoria continua

Para una v.a. contínua la probabilidad 0.05

asociada con cualquier punto en particu-
lar es 0 0.04

Pr [X = x] = 0
0.03
y solo podemos asignar probabilidades po-
sitivas a intervalos en el rango de x. 0.02

La función de densidad de probabi- 0.01

lidad (pdf), f (x), se define de manera

0
que -40 -20 0 20 40 60
f (x) ≥ 0
Además:
1. El área bajo f (x) en el rango de a a b es la probabilidad de que x se encuentre en
dicho rango Z b
Pr (a ≤ x ≤ b) = f (x)dx ≥ 0
a
y además Pr [a ≤ x ≤ b] = Pr [a ≤ x < b] = Pr [a < x ≤ b] = Pr [a < x < b]
R +∞
2. −∞ f (x)dx = 1
NOTA: Si el rango de x no es finito, entonces se sobreentiende que en cualquier lugar fuera del
rango apropiado f (x) = 0.

Miguel Ataurima Arellano 7 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

1.1.2. Función de Distribución Acumulada

Para cualquier v.a. X, la probabilidad de que X sea menor o igual que a se denota como
F (a).

La función de densidad acumulada (cdf), F (x) , o función de distribución se define

Variabe aleatoria discreta

Para una variable aleatoria discreta, 1.1

X 1
F (x) = f (X) = Pr [X ≤ x] 0.9
X≤x 0.8
0.7
Si las realizaciones de X pertenecen al 0.6
conjunto ordenado {xi }Ni=1 entonces 0.5
0.4
F (xi ) = Pr [X ≤ xi ] 0.3
i
X 0.2
= f (xi ) 0.1
i=1 0
10 15 20 25 30
= f (x1 ) + f (x2 ) + · · · + f (xi )
de modo que
f (xi ) = F (xi ) − F (xi−1 )
con F (x1 ) = f (x1 ).

Miguel Ataurima Arellano 8 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

Variabe aleatoria continua

Para una variable aleatoria continua 1.1

Z +∞ 1
0.9
F (x) = f (t)dt
−∞ 0.8
0.7
se tiene que 0.6
0.5
0.4
dF (x)
f (x) = 0.3
dx 0.2
0.1
0
-40 -20 0 20 40 60
.

Miguel Ataurima Arellano 9 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

Para ambos casos, continuo y discreto, F (x) debe satisfacer las siguientes propiedades

1. 0 ≤ F (x) ≤ 1
2. Si x > y, entonces F (x) ≥ F (y)
3. F (+∞) = 1
4. F (−∞) = 0

Para cualquier definición de la cdf

Pr [a < x ≤ b] = F (b) − F (a)

Cualquier pdf válida implica una cdf válida, de modo que no es necesario verificar estas
condiciones separadamente.

Miguel Ataurima Arellano 10 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

1.2. Esperanza de una variable aleatoria

La media o valor esperado de una v.a. X es
 X

 xf (x) si x es discreto
µ = E [x] = Zx

 xf (x)dx si x es continuo
x

• Sea g(x) una función de x; el valor esperado de g(x) es

 X

 g(x)f (x) si x es discreto
E [g (x)] = Zx

 g(x)f (x)dx si x es continuo
x

• Sean 2 funciones g1 (x) y g2 (x), y a una constante, entonces

E [ag1 (x)] = aE [g1 (x)]

E [g1 (x) + g2 (x)] = E [g1 (x)] + E [g2 (x)]

Miguel Ataurima Arellano 11 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

La varianza de una v.a. X es

(x − µ)2 f (x)
 X
h i 
 si x es discreto
2 2 Zx
σ = var [x] = E (x − µ) =

 (x − µ)2 f (x)dx si x es continuo
x

donde σ es la desviación estándar de x.

Propiedad Importante: h i
var [x] = E x2 − µ2

Otras propiedades:

• Sean a y b dos constantes, entonces:

var [a] = 0
var [a + bx] = b2 var [x]

• Sea g(x) una función de x; la varianza de g(x) es

Z
var [g (x)] = (g(x) − E [g(x)])2 f (x)dx
x

Miguel Ataurima Arellano 12 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

El r−ésimo momento central se define como

µr = E [(x − µ)r ]

como µr tiende a explotar conforme r crece, entonces se trabaja a menudo con la medida
normalizada
µr
σr
El tercer momento central (Skewness) es una medida de asimetría de una distribución
h i
skewness = E (x − µ)3

si la distribución es simétrica entonces skewness = 0. Junto a el se define al coeficiente

skewness
µ3
coeficiente skewness = 3
σ
El cuarto momento central (Kurtosis) es una medida del grosor de las colas de la
distribución h i
kurtosis = E (x − µ)4
si la distribución es normal entonces kurtosis = 3 (mesocurtica). Junto a el se define al
grado de exceso de Kurtosis
µ4
Exceso de Kurtosis = −3
σ4

Miguel Ataurima Arellano 13 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

1.2.1. Una útil aproximación entre la esperanza y la varianza

La aproximación en series de Taylor de primer orden (lineal) de la función g (x) alrededor
del punto de expansión x0 es
  dg  0   
g (x) ≈ g x0 + x · x − x0
dx
  dg  0  0 dg  0 
= g x0 − x ·x + x · x = g ∗ (x) (1)
| dx
{z dx
} | {z }
β1 β2

Si la aproximación es razonablemente precisa, entonces la media y varianza de g ∗ (x) será

aproximadamente igual a la media y varianza de g(x).

Una elección natural para el punto de expansión es

x0 = µ = E [x] (2)

Miguel Ataurima Arellano 14 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

Reemplazando (2) en (1)

!
∗ dg dg
g (x) ≈ g (x) = g (µ) − (µ) · µ + (µ) · x
dx dx

1. Tomando esperanza, E [·]

E [g(x)] ≈ E [g ∗ (x)]
" ! #
dg dg
= E g (µ) − (µ) · µ + (µ) · x
dx dx
" !# " #
dg dg
= E g (µ) − (µ) · µ + E (µ) · x
dx dx
!
dg dg
= g (µ) − (µ) · µ + (µ) · E [x]
dx dx | {z }
µ

= g (µ) (3)
2. Tomando varianza, var [·]
var [g(x)] ≈ var [g ∗ (x)]
" ! #
dg dg
= var g (µ) − (µ) · µ + (µ) · x
dx dx
!2
dg
= (µ) var [x]
dx

Miguel Ataurima Arellano 15 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

Nótese que:

• Por lo general E [g(x)] 6= g [E(x)].

• Si g (x) es cóncava, esto es g 00 (x) < 0, tenemos la desigualdad de Jensen

E [g(x)] ≤ g (E [x]) (4)

así, si g(x) = log (x) , entonces E [log(x)] ≤ log (E [x]).

• El resultado (4) forma la base del método Delta.

Miguel Ataurima Arellano 16 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

1.3. Algunas Distribuciones de Probabilidad Específicas

Ciertas situaciones experimentales naturalmente dan lugar a distribuciones de pro-
babilidad específicas.2

Los economistas han utilizado una amplia variedad de distribuciones, siendo la distribución
normal el pilar de la investigación econométrica.

La notación estándar para establecer que “x tiene una distribución de probabilidad f (x)”3
es
x ∼ f (x)
Por ejemplo, si “x sigue una distribución de probabilidad Normal con media µ y varianza
σ 2 ”, la notación estándar es  
x ∼ N µ, σ 2

2
En la mayoría de los casos en economía, sin embargo, las distribuciones utilizadas son simplemente modelos
de los fenómenos observados
3
O también “x sigue una distribución de probabilidad f (x)”

Miguel Ataurima Arellano 17 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

1.3.1. La Distribución Normal

PDF:
1 1
   
f x; µ, σ 2
= √ exp − 2 (x − µ)2
σ 2π 2σ

Notación : N (µ, σ 2 )
Parámetros : µ (media),
σ 2 (varianza)
Dominio : x ∈ R
Media : µ
Mediana : µ
Moda : µ
Varianza : σ 2
Skewness : 0
Ex. Kurtosis : 0

Miguel Ataurima Arellano 18 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

1.3.2. La Distribución Normal Estándar

PDF:
1 1
 
f (z; 0, 1) = √ exp − z 2
2π 2

Notación : N (0, 1)
Parámetros : µ = 0 (media),
σ 2 = 1 (varianza)
Dominio : z ∈ R
Media : 0
Mediana : 0
Moda : 0
Varianza : 1
Skewness : 0
Ex. Kurtosis : 0

Esta distribución se obtiene tras la normalización de x ∼ N (µ, σ 2 ) mediante

x−µ
z=
σ
de modo que
z ∼ N (0, 1)

Miguel Ataurima Arellano 19 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

1.3.3. La Distribución t
PDF:   !− ν+1
Γ ν+12 x2 2
f (x; ν) = √   1+
νπ Γ ν2 ν

Notación : t (ν)
Parámetros : ν ∈ R (grado de libertad)
Dominio : x∈R
Media : 0
Mediana : 0
Moda : 0
ν
Varianza : para ν > 2
ν−2
∞ para 1 < ν ≤ 2
Indefinida, en otro caso
Skewness : 0, para ν > 3
Indefinida, en otro caso
6
Ex. Kurtosis : para ν > 4
ν−4
∞ para 2 < ν ≤ 4
Indefinida, en otro caso

Miguel Ataurima Arellano 20 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

1.3.4. La Distribución Chi-Cuadrada, χ2

PDF:
1 x
 
k
f (x; k) = k/2 x 2 −1 exp −
2 Γ (k/2) 2

Notación : χ2 (k) o χ2k

Parámetros : k ∈ N (grado de libertad)
Dominio : x ∈ (0, +∞) si k = 1
x ∈ [0, +∞) en otro caso
Media : k
2 3
 
Mediana : ≈k 1−
9k
Moda : max {k − 2, 0}
Varianza : 2k
p
Skewness : 8/k
Ex. Kurtosis : 12/k

Miguel Ataurima Arellano 21 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

1.3.5. La Distribución F
PDF:
(d1 x)d1 dd22
!
1
f (x; k) =  
xB d1 d2
,
2 2
(d1 x + d2 )d1 +d2

Notación : F (d1 , d2 )
Parámetros : d1 , d2 > 0
(2 grados de libertad)
Dominio : x ∈ (0, +∞) si k = 1
x ∈ [0, +∞) en otro caso
d2
Media : para d2 > 2
d2 − 2
d1 − 2 d2
Moda : · para d2 > 4
d1 d2 − 2
2
2d2 (d1 + d2 − 2)
Varianza : 2 para d2 > 4
d1 (d2 − 2) (d2p − 4)
(2d1 + d2 − 2) 8 (d2 − 4)
Skewness : p
(d2 − 6) d1 (d1 + d2 − 2)
para d2 > 6

Miguel Ataurima Arellano 22 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

Las distribuciones de t , chi-cuadrado, y F se derivan de la distribución normal; y por lo

general, surgen en la econometría como sumas de n o n1 y n2 otras variables.

Estas 3 distribuciones han asociado con ellos uno o dos parámetros de “grados de liber-
tad ” (dof, degree o freedom), que para nuestros propósitos será el número de variables en
la suma correspondiente.

Si z ∼ N (0, 1), entonces

z 2 ∼ χ2 (1)

Si {xi }ni=1 son n variables aleatorias independientes tales que xi ∼ χ2 (1) para i =
1, 2, . . . , n; entonces
n
xi ∼ χ2 (n)
X

i=1

Si {zi }ni=1 son n variables aleatorias independientes tales que zi ∼ N (0, 1) para i =
1, 2, . . . , n; entonces
n
zi2 ∼ χ2 (n)
X

i=1

Si {zi }ni=1 son n variables aleatorias independientes tales que zi ∼ N (0, σ 2 ) para i =
1, 2, . . . , n; entonces
n  2
zi
∼ χ2 (n)
X

i=1 σ

Miguel Ataurima Arellano 23 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

Si x1 y x2 son 2 variables aleatorias independientes tales que xi ∼ χ2 (ni ) para i = 1, 2;

entonces
x1 + x2 ∼ χ2 (n1 + n2 )
y además  
x1
n
 1 ∼ F (n1 , n2 )
x2
n2

Si z ∼ N (0, 1) y x ∼ χ2 (n) son variables aleatorias independientes, entonces

z
q ∼ t (n)
x/n

Revisar el apéndice de Greene (2017) para revisar detalles sobre:

• Distribuciones con grandes grados de libertad

• Distribuciones de tamaño: La distribución lognormal
• Las distribuciones Gamma y Exponencial
• La distribución Beta
• La distribución Logística
• La distribución Wishart

Miguel Ataurima Arellano 24 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

1.3.6. Variables aleatorias discretas

El modelamiento en economía con frecuencia involucra v.a. que toman valores enteros.

En estos casos, las distribuciones enumeradas hasta el momento solo proporcionan aproxi-
maciones que a veces son bastante inapropiadas.

Podemos crear una clase de modelos para v.a. discretas de la distribución de Bernoulli
para un único resultado binomial (prueba o trial)

Pr [x = 1] = α
Pr [x = 0] = 1 − α

donde 0 ≤ α ≤ 1. La razón de este modelamiento es el supuesto de que la probabilidad

de que una prueba o ensayo (trial) se realice con éxito α es constante y que las pruebas
sucesivas son independientes.

La distribución para x éxitos en n ensayos sucesivas independientes es la distribución

binomial !
n
Pr [X = x] = αx (1 − α)n−x , x = 0, 1, . . . , n
x
donde la media y la varianza de x son nα y nα(1 − α), respectivamente.

Miguel Ataurima Arellano 25 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

Si el número de ensayos n aumenta al mismo tiempo que la probabilidad de éxito α se

reduce de modo que la media nα sea estable; entonces, la forma límite de la distribución
binomial es la distribución de Poisson.
exp (−λ) · λx
Pr [X = x] =
x!

La distribución de Poisson ha tenido un amplio uso en la econometría, por ejemplo, en el

modelado de patentes, delitos, demanda de recreación y demanda de servicios de salud.

Miguel Ataurima Arellano 26 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

1.4. Distribuciones conjuntas

La función de densidad conjunta de 2 v.a. X e Y denotada como f (x, y) se define
como la probabilidad de un evento conjunto:

f (x, y) = Pr [a ≤ x ≤ b, c ≤ y ≤ d]
 X X

 f (x, y) si x e y son v.a. discretas
= Ra≤x≤b c≤y≤d
bRd
f (x, y) dy dx si x e y son v.a. continuas


a c

Los requiermientos (equivalentes a los del caso univariado) son

• f (x, y) ≥ 0
XX
• f (x, y) = 1, si x e y son v.a. discretas
x y

•
R R
x y f (x, y) dy dx = 1, si x e y son v.a. contínuas

La probabilidad acumulada es también la probabilidad de un evento conjunto:

F (x, y) = Pr [X ≤ x, Y ≤ y]
 X X

 f (x, y) si x e y son v.a. discretas
= R y Y ≤y
R x X≤x
−∞ −∞ f (t, s) dt ds si x e y son v.a. continuas



Miguel Ataurima Arellano 27 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

1.4.1. Distribuciones marginales

Sea f (x, y) la función de densidad conjunta (pdf conjunta) de X e Y
La densidad de probabilidad marginal (pdf maginal) se define con respecto a una
variable individual.
• La pdf marginal de X es
 X
 f (x, y) si y es una v.a. discreta
fx (x) = y
 R
y f (x, s) ds si y es una v.a. continua
• La pdf marginal de Y es
 X
 f (x, y) si x es una v.a. discreta
fY (y) =  R
x
x f (t, y) dt si x es una v.a. continua
Las v.a. X e Y son estadísticamente independientes si y solo si la pdf conjunta es el
producto de las pdf marginales
f (x, y) = fx (x)fy (y)

Si y solo si X e Y son independientes, entonces la cdf conjunta también se factoriza

F (x, y) = Fx (x) Fy (y)
o
Pr [X ≤ x, Y ≤ y] = Pr [X ≤ x] · Pr [Y ≤ y]

Miguel Ataurima Arellano 28 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

1.4.2. Esperanza en un distribución conjunta

Las medias, varianza y los momentos más altos de las variables en una distribución con-
junta se definen con respecto a las distribuciones marginales.

Sea f (x, y) la función de densidad conjunta (pdf conjunta) de X e Y

• Si X es una v.a. discreta

" #
X X X XX
µx = E [x] = xfx (x) = x f (x, y) = xf (x, y)
x x y x y
2
σx2 = var [x] = (x − E [x])2 f (x, y)
X XX
(x − E [x]) fX (x) =
x x y

• Si Y es una v.a. continua

Z Z Z
µx = E [x] = xfx (x)dx = xf (x, y) dydx
x x y
Z Z Z
σx2 = var [x] = (x − E [x])2 fX (x)dx = (x − E [x])2 f (x, y)dydx
x x y

Miguel Ataurima Arellano 29 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

1.4.3. Covarianza y correlación

Sea f (x, y) la función de densidad conjunta (pdf conjunta) de X e Y

Para cualquier función g(x, y)

 X X
 g (x, y) f (x, y) si x e y son v.a. discretas
E [g(x, y)] = x y
 R R
x y g (x, y) f (x, y) dy dx si x e y son v.a. continuas

La covarianza de X e Y es un caso especial de g(x, y)

g(x, y) = (x − µx ) (y − µy )

tomando esperanza

σxy = cov [x, y] = E [(x − µx ) (y − µy )]

= E [xy] − µx µy

Si X e Y son independientes; entonces cov [x, y] = 0.

Si cov [x, y] = 0; entonces no necesariamente X e Y serán independientes.

El signo de cov [x, y] indicará la dirección de covariación de X e Y . Su magnitud depende

de la escala de medida.

Miguel Ataurima Arellano 30 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

Una medida preferible (que no depende de la escala de medida) es el coeficiente de

correlación
σxy
ρxy = corr [x, y] =
σx σy
donde ρxy ∈ [−1; 1].

Algunos resultados importantes

• E [ax + by + c] = aE [x] + bE [y] + c

• var [ax + by + c] = var [ax + by] = a2 var [x] + b2 var [y] + 2abcov [x, y]
• cov[ax + by, cx + dy] = acvar [x] + bdvar [x] + (ad + bc) cov [x, y]
• Si X e Y no están correlacionados, entonces

var [x + y] = var [x − y] = var [x] + var [y]

• Si X e Y son independientes, y sean dos funciones g(x) y g2 (y), entonces

E [g1 (x)g2 (y)] = E [g1 (x)] E [g2 (y)]

Miguel Ataurima Arellano 31 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

1.5. Condicionamiento en una distribución bivariada

El condicionamiento y el uso de distribuciones condicionales desempeñan un papel funda-
mental en el modelamiento econométrico.
Consideramos algunos resultados generales para una distribución bivariada. (Todos estos
resultados se pueden extender directamente al caso multivariado).
En una distribución bivariada, existe una distribución condicional sobre y para cada valor
de x.
Sea f (x, y) la función de densidad conjunta de X e Y .
Sean fx (x) y fy (y) las densidades de probabilidad marginal de X e Y respectivamente.
Las densidades condicionales se definen como
f (x, y) f (x, y)
f (x|y) = f (y|x) =
fy (y) fx (x)
de donde se obtiene el siguiente resultado importante

f (x, y) = f (x|y) · fy (y) = f (y|x) · fx (x)

Si X e Y son independientes, entonces

f (x|y) = fx (x) f (y|x) = fy (y)

Miguel Ataurima Arellano 32 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

1.5.1. Regresión: La media condicionda

La media condicionada es la medida de la distribución condicionada y se define como
 X
 yf (y|x) si y es una v.a. discreta
E [y|x] =  R y
y yf (y|x) dy si y es una v.a. continua

A la función media condicionada E [y|x] se le llama regresión de y sobre x.

Una v.a. Y puede ser siempre escrita como

y = E [y|x] + (y − E [y|x])
| {z }

y = E [y|x] + 

Miguel Ataurima Arellano 33 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

1.5.2. La varianza condicionada

Una varianza condicionada es la varianza de la distribución condicionada

(y − E [y|x])2 f (y|x)
X
h i 
 si y es una v.a. discreta
2
var [y|x] = E (y − E [y|x]) |x =  R y

y (y − E [y|x])2 f (y|x) dy si y es una v.a. continua

El cálculo puede simplificarse usando

h i
var [y|x] = E y 2 |x − (E [y|x])2

La varianza condicionada se denomina función cedastica (o función de dispersión) y, como

se da en la regresión, generalmente es una función de x.

Sin embargo, a diferencia de la función de media condicional, es común que la varianza

condicionada no varíe con x. El caso en el que la varianza condicionada no varía con x se
llama homoscedasticidad (la misma varianza).

Miguel Ataurima Arellano 34 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

1.5.3. Relaciones entre los momentos marginales y condicionados

Ley de las Esperanzas Iteradas
Denotando a Ex [·] como la esperanza sobre los valores de x, se tiene que
Ex [E [y|x]] = E [y]
note que E [y|x] es una función de x.
Covarianza
En cualquier función bivariada
Z
cov [x, y] = covx [x, E [y|x]] = (x − E [x]) E [y|x] fx (x)dx
x

Momentos en una Regresión Lineal

Si E [y|x] = α + βx, entonces
α = E [y] − βE [x]
cov [x, y]
β=
var [x]

Descomposición de Varianza
En una distribución conjunta, denotando a la varianza sobre la distribución de x mediante
varx [·]
var [y] = varx [E [y|x]] + Ex [var [y|x]]

Miguel Ataurima Arellano 35 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

La Varianza Residual en una Regresión

En una distribución bivariada

Ex [var [y|x]] = var [y] − varx [E [y|x]]

Regresión Lineal y Homocedasticidad

En una distribución bivareiada, si E [y|x] = α + βx y si var [y|x] es constante, entonces
   
var [y|x] = var [y] 1 − corr2 [x, y] = σy2 1 − ρ2xy

Miguel Ataurima Arellano 36 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

1.6. Distribución Normal Multivariada

La base de la mayoría del análisis multivariado en econometría es la distribución normal
multivariada.

Sean

• x el vector de variables aleatorias

(n×1)

(x1 , x2 , . . . , xn )0 = x

un conjujnto de n variables aleatorias

• µ el vector media de x
(n×1)

   
E [x1 ] µ1

 E [x2 ] 


 µ2 

µ = E [x] =  ..  = .. 
. .
   
   
E [xn ] µn

Miguel Ataurima Arellano 37 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

• Σ la matriz de covarianzas de x
(n×n)
h i
Σ = cov (x) = E (x − E [x]) (x − E [x])0
x1 − µ 1
  

 x2 − µ 2 
 

= E ..  x1 − µ 1 x2 − µ 2 · · · xn − µn 
.
  
  
xn − µ n
σ12 σ12 · · · σ1n
 

 σ21 σ22 · · · σ2n 

=  .. .. . . . 

 . . . .. 

σn1 σn2 · · · σn2

La forma general de la densidad conjunta de una es

1
 
−n/2
f (x; µ, Σ) = (2π) |Σ|−1/2
exp − (x − µ)0 Σ (x − µ)
2
Si todas las variables no están correlacionadas, esto es, σij = 0 para todo i 6= j, entonces
 
Σ = diag σ12 , σ22 , . . . , σn2
y por lo tanto
     
f (x; µ, Σ) = f x1 ; µ1 , σ12 · f x2 ; µ2 , σ22 · · · f xn ; µn , σn2

Miguel Ataurima Arellano 38 mataurima@[Link]

Iddea - Consulting & Training MÓDULO I
TEORÍA ECONOMÉTRICA I INDICE Conceptos Preliminares 2

Referencias
Greene, W. (2017). Econometric Analysis. The Pearson series in economics. Pearson.

Gujarati, D. N. y Porter, D. C. (2010). Econometría. McGraw-Hill, 5th edition.

Wooldridge, J. M. (2016). Introductory Econometrics: A Modern Approach. Cengage Learning,

5 edition.

Miguel Ataurima Arellano 39 mataurima@[Link]